Konteinerisering av modell-API-et
Dockerfile for FastAPI + modell, bygging i flere trinn, endepunkt for helsesjekk og docker-compose.
Konteinerisering av modell-API-et er en gratis leksjon i Lær AI med Python på CoddyKit. Dette er leksjon 4 av 4. Du kan lese valgfritt 3 leksjoner fra denne læringsstien gratis i sin helhet – deretter låser CoddyKit PRO opp alle leksjoner, samt praktisk øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i Lær AI med Python, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i Lær AI med Python inneholder totalt 4 leksjoner.
Hvorfor Docker?
Docker pakker API-et, Python-versjonen og alle avhengighetene inn i ett portabelt image som kjører likt på alle maskiner. Det eliminerer problemer av typen «fungerer på min bærbare» og er standardmåten å levere ML-tjenester på.
Dockerfile
En Dockerfile er en oppskrift med byggesteg. Hver instruksjon oppretter et bufret lag, så riktig rekkefølge på stegene gjør nye bygg raskere.
FROM python:3.11-slim
FROM-linjen velger et baseimage. python:3.11-slim er et lite Debian-image med Python ferdig installert, og er langt mindre enn fullversjonen. Det reduserer både den endelige størrelsen og angrepsflaten.
FROM python:3.11-slimWORKDIR /app
WORKDIR angir arbeidsmappen inne i containeren. Påfølgende COPY- og RUN-kommandoer kjører relativt til den, noe som holder filbanene ryddige.
WORKDIR /appKopier requirements først
Kopier bare requirements.txt før kildekoden. Fordi Docker bufrer lag, installeres avhengighetene bare på nytt når requirements endres, ikke ved hver kodeendring. Dette gjør nye bygg betydelig raskere.
COPY requirements.txt .RUN pip install --no-cache-dir
RUN kjører en byggkommando. --no-cache-dir hopper over pips nedlastingsbuffer, slik at imaget blir mindre. Bufferen er uansett unødvendig inne i et image.
RUN pip install --no-cache-dir -r requirements.txtKopier kildekoden
Kopier resten av applikasjonen nå. Når dette gjøres etter pip-installasjonen, blir ikke det bufrede avhengighetslaget ugyldig ved kodeendringer.
COPY . .EXPOSE 8000
EXPOSE dokumenterer hvilken port containeren lytter på. Den publiserer ikke porten i seg selv (det gjøres ved kjøring med -p), men viser hensikten for lesere og verktøy.
EXPOSE 8000CMD-instruksjonen
CMD definerer standardkommandoen som kjøres når containeren starter. Her startes uvicorn med binding til 0.0.0.0, slik at tjenesten kan nås utenfra containeren.
CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "8000"]Den komplette Dockerfile-filen
Alle delene i riktig og cache-vennlig rekkefølge:
FROM python:3.11-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY . .
EXPOSE 8000
CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "8000"]Bygge og kjøre
Bygg imaget med en tag, og kjør det deretter ved å koble containerporten til vertsmaskinen med -p.
# terminal
docker build -t model-api .
docker run -p 8000:8000 model-apiHurtigsjekk
Test kunnskapene om Docker.
Oppsummering
API-et ble dockerisert: FROM python:3.11-slim, WORKDIR /app, requirements.txt ble kopiert først, deretter RUN pip install --no-cache-dir, kildekoden ble kopiert, EXPOSE 8000 ble angitt, og en CMD som starter uvicorn ble lagt til. Riktig rekkefølge på stegene for lagring i cache holder nye bygg raske. Dette fullfører kurset om FastAPI-levering og denne innholdsgruppen.
Lær deg Python med en AI-veileder – gratis
Skriv og kjør ekte kode i nettleseren, få umiddelbar hjelp fra en AI-veileder som er tilgjengelig døgnet rundt, og fortsett der du slapp – på nettet eller i appen.
- Kurs
- 53
- Leksjoner
- 225
Ofte stilte spørsmål
Er leksjonen «Konteinerisering av modell-API-et» gratis?
Ja – du kan lese valgfritt 3 av leksjonene i læringsstien Lær AI med Python, inkludert «Konteinerisering av modell-API-et», gratis i sin helhet her på nettet. Deretter låser CoddyKit PRO opp alle leksjoner, samt interaktiv øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Kurset i Lær AI med Python inneholder totalt 4 leksjoner.
Hva lærer jeg i «Konteinerisering av modell-API-et»?
Dockerfile for FastAPI + modell, bygging i flere trinn, endepunkt for helsesjekk og docker-compose. Du øver på Lær AI med Python med praktisk kode som du kjører direkte i nettleseren, mens en AI-veileder som er tilgjengelig døgnet rundt, svarer på spørsmålene dine mens du jobber deg gjennom leksjonen.
Trenger jeg erfaring for å begynne med Lær AI med Python?
Ingen tidligere erfaring er nødvendig. Lær AI med Python på CoddyKit er lagt opp for både nybegynnere og viderekomne, så De kan begynne her eller helt fra start og lære i Deres eget tempo. Dette er leksjon 4 av 4.
Hvor lang tid tar leksjonen «Konteinerisering av modell-API-et»?
De fleste CoddyKit-leksjoner tar omtrent 5–10 minutter. Hver leksjon er kort og interaktiv, slik at De gjør jevne fremskritt og kan fortsette akkurat der De slapp – både på nettet og i appen.
Kan jeg skrive og kjøre kode i denne Lær AI med Python-leksjonen?
Ja. Alle Lær AI med Python-leksjoner har en innebygd kodeeditor, slik at De kan skrive og kjøre ekte kode direkte i nettleseren og få umiddelbar tilbakemelding fra AI – uten lokal konfigurering.
Alle leksjonene i dette kurset
- Grunnleggende FastAPI for ML-utviklere
- Pydantic-skjemaer for forespørsler og svar
- Innlasting og tilgjengeliggjøring av ML-modeller
- Konteinerisering av modell-API-et